TL;DR
- چکیده: مشکلات بهینهسازی ترکیبی از نظر محاسباتی غیرقابل حل میشوند، زیرا این مشکلات NP-hard مقیاس میشوند.
- ما قبلاً منطق رای اکثریت نوع استخراج (E-MVL) را پیشنهاد کردیم،.
- یک الگوریتم الهام گرفته از کوانتومیبا استفاده از مدارهای منطق دیجیتال.
چه اتفاقی افتاد
چکیده: مشکلات بهینهسازی ترکیبی از نظر محاسباتی غیرقابل حل میشوند، زیرا این مشکلات NP-hard مقیاس میشوند. ما قبلاً منطق رای اکثریت نوع استخراج (E-MVL) را پیشنهاد کردیم،.
یک الگوریتم الهام گرفته از کوانتومیبا استفاده از مدارهای منطق دیجیتال. E-MVL دینامیک اسپین حرارتی بازپخت شبیهسازی شده (SA) را از طریق پراکندگی کنترل شده برهمکنشهای اسپین.
برای جستجوی کارآمد در وضعیت زمین تقلید میکند. این مطالعه پتانسیل عملکرد E-MVL را از طریق بهینهسازی سیستماتیک و محکگذاری جامع در برابر SA بررسی میکند.
مشکل هدف، مدل شرینگتون-کیرکپاتریک (SK) با توزیعهای جفت دووجهی و گاوسی است. از طریق تجزیه و تحلیل حالت تعادل،.
ما نشان میدهیم که مکانیسم کنترل پراکندگی،. بدون توجه به توزیع جفت مشکل (دو وجهی،.
گاوسی) یا اندازه،. جستجوی ثابتی از فضای راهحل ارائه میکند.
E-MVL نه تنها بهترین عملکرد را در بین همه الگوریتمهای آزمایششده به دست میآورد-حل راهحلهای دقیق تا 1600. چرخش که در آن بهترین خط پایه SA به 400 اسپین محدود میشود،.
اما بینشهایی را نیز ارائه میدهد که بهطور قابلتوجهی زمانبندی دمای خود SA را بهبود میبخشد. این نتایج مشارکت دوگانه E-MVL را بهعنوان یک بهینه ساز کارآمد و یک روش عملی برای افزایش عملکرد.
SA ایجاد میکند. علاوه بر این، پیادهسازی FPGA به سرعت حل تقریباً 6 برابر سریعتر از SA دست یافت.
صفحه، 7 شکل. نویسنده مسئول: جون ایچی شیراکاشی فناوریهای نوظهور (cs.
ET)؛ فیزیک کوانتومی (quant-ph) استناد بهعنوان: (یا v1 [cs. ET] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Jun-Ichi Shirakashi [مشاهده ایمیل] [v1] دوشنبه،.
6 آوریل 2026،. 11:.
49:. 09 UTC (470 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.